جیسا کہ مشین لرننگ (ML) مرکزی دھارے میں آتی ہے اور وسیع تر اپنائی جاتی ہے، ML سے چلنے والی انفرنس ایپلی کیشنز بہت سے پیچیدہ کاروباری مسائل کو حل کرنے کے لیے تیزی سے عام ہوتی جا رہی ہیں۔ ان پیچیدہ کاروباری مسائل کے حل کے لیے اکثر متعدد ایم ایل ماڈلز اور اقدامات کی ضرورت ہوتی ہے۔ یہ پوسٹ آپ کو دکھاتی ہے کہ کس طرح آن کسٹم کنٹینرز کے ساتھ ML ایپلیکیشن بنانے اور اس کی میزبانی کرنا ہے۔ ایمیزون سیج میکر.
ایمیزون سیج میکر پیش کرتا ہے۔ بلٹ ان الگورتھم اور پہلے سے بنایا ہوا سیج میکر ماڈل کی تعیناتی کے لیے ڈاکر کی تصاویر۔ لیکن، اگر یہ آپ کی ضروریات کے مطابق نہیں ہیں، تو آپ Amazon SageMaker پر میزبانی کے لیے اپنے کنٹینرز (BYOC) لا سکتے ہیں۔
استعمال کے کئی ایسے معاملات ہیں جہاں صارفین کو Amazon SageMaker پر ہوسٹنگ کے لیے BYOC کی ضرورت پڑ سکتی ہے۔
- حسب ضرورت ایم ایل فریم ورک یا لائبریریاں: اگر آپ ایم ایل فریم ورک یا لائبریریوں کو استعمال کرنے کا ارادہ رکھتے ہیں جو ایمیزون سیج میکر بلٹ ان الگورتھم یا پہلے سے بنائے گئے کنٹینرز کے ذریعے تعاون یافتہ نہیں ہیں، تو آپ کو ایک حسب ضرورت کنٹینر بنانے کی ضرورت ہوگی۔
- خصوصی ماڈلز: کچھ ڈومینز یا صنعتوں کے لیے، آپ کو مخصوص ماڈل آرکیٹیکچرز یا تیار کردہ پری پروسیسنگ اقدامات کی ضرورت ہو سکتی ہے جو بلٹ ان Amazon SageMaker پیشکشوں میں دستیاب نہیں ہیں۔
- ملکیتی الگورتھم: اگر آپ نے اپنے اپنے ملکیتی الگورتھم ان ہاؤس تیار کیے ہیں، تو آپ کو انہیں Amazon SageMaker پر تعینات کرنے کے لیے ایک حسب ضرورت کنٹینر کی ضرورت ہوگی۔
- کمپلیکس انفرنس پائپ لائنز: اگر آپ کے ML انفرنس ورک فلو میں حسب ضرورت کاروباری منطق شامل ہے — پیچیدہ مراحل کا ایک سلسلہ جسے ایک خاص ترتیب میں انجام دینے کی ضرورت ہے — تو BYOC ان اقدامات کو زیادہ مؤثر طریقے سے منظم کرنے اور ترتیب دینے میں آپ کی مدد کر سکتا ہے۔
حل جائزہ
اس حل میں، ہم دکھاتے ہیں کہ ایمیزون سیج میکر پر ایم ایل سیریل انفرنس ایپلی کیشن کی میزبانی کیسے کی جاتی ہے جس میں ریئل ٹائم اینڈ پوائنٹس کے ساتھ دو کسٹم انفرنس کنٹینرز کا استعمال کیا جاتا ہے۔ scikit-learn
اور xgboost
پیکیجز
پہلا کنٹینر استعمال کرتا ہے a scikit-learn
خام ڈیٹا کو نمایاں کالموں میں تبدیل کرنے کا ماڈل۔ اس کا اطلاق ہوتا ہے۔ سٹینڈرڈ اسکیلر عددی کالموں کے لیے اور OneHotEncoder واضح کرنے والوں کو۔
دوسرا کنٹینر پہلے سے تربیت یافتہ ہوتا ہے۔ XGboost
ماڈل (یعنی پیشن گوئی کرنے والا)۔ پیشن گوئی کرنے والا ماڈل نمایاں کردہ ان پٹ کو قبول کرتا ہے اور پیشین گوئیوں کو آؤٹ پٹ کرتا ہے۔
آخر میں، ہم تعینات کرتے ہیں فیچرائزر اور پیش گو ایمیزون سیج میکر ریئل ٹائم اینڈ پوائنٹ پر سیریل انفرنس پائپ لائن میں۔
یہاں کچھ مختلف تحفظات ہیں کہ آپ اپنی تخمینہ درخواست کے اندر الگ کنٹینرز کیوں رکھنا چاہتے ہیں۔
- بند کرنا - پائپ لائن کے مختلف مراحل کا واضح طور پر متعین مقصد ہے اور اس میں شامل بنیادی انحصار کی وجہ سے علیحدہ کنٹینرز پر چلانے کی ضرورت ہے۔ اس سے پائپ لائن کو اچھی طرح سے منظم رکھنے میں بھی مدد ملتی ہے۔
- فریم ورک - پائپ لائن کے مختلف مراحل میں مخصوص موزوں فریم ورک کا استعمال کیا جاتا ہے (جیسے اسکِٹ یا اسپارک ایم ایل) اور اس لیے انہیں علیحدہ کنٹینرز پر چلانے کی ضرورت ہے۔
- وسائل کی تنہائی - پائپ لائن کے مختلف مراحل میں وسائل کی کھپت کے تقاضے مختلف ہوتے ہیں اور اس لیے مزید لچک اور کنٹرول کے لیے علیحدہ کنٹینرز پر چلانے کی ضرورت ہوتی ہے۔
- بحالی اور اپ گریڈ - ایک آپریشنل نقطہ نظر سے، یہ فنکشنل تنہائی کو فروغ دیتا ہے اور آپ دوسرے ماڈلز کو متاثر کیے بغیر، زیادہ آسانی سے انفرادی مراحل کو اپ گریڈ یا ترمیم کرنا جاری رکھ سکتے ہیں۔
مزید برآں، انفرادی کنٹینرز کی مقامی تعمیر پسندیدہ ٹولز اور انٹیگریٹڈ ڈویلپمنٹ انوائرمنٹ (IDEs) کے ساتھ ترقی اور جانچ کے تکراری عمل میں مدد کرتی ہے۔ ایک بار جب کنٹینرز تیار ہو جائیں، تو آپ Amazon SageMaker اینڈ پوائنٹس کا استعمال کرتے ہوئے اندازہ لگانے کے لیے انہیں AWS کلاؤڈ پر تعینات کر سکتے ہیں۔
مکمل نفاذ، بشمول کوڈ کے ٹکڑوں، اس Github ذخیرہ میں دستیاب ہے۔ یہاں.
شرائط
جیسا کہ ہم پہلے مقامی طور پر ان حسب ضرورت کنٹینرز کی جانچ کرتے ہیں، ہمیں آپ کے مقامی کمپیوٹر پر ڈوکر ڈیسک ٹاپ انسٹال کرنے کی ضرورت ہوگی۔ آپ کو ڈوکر کنٹینرز کی تعمیر سے واقف ہونا چاہئے۔
اس ایپلیکیشن کو آخر تک جانچنے کے لیے آپ کو Amazon SageMaker، Amazon ECR اور Amazon S3 تک رسائی کے ساتھ AWS اکاؤنٹ کی بھی ضرورت ہوگی۔
یقینی بنائیں کہ آپ کے پاس کا تازہ ترین ورژن ہے۔ Boto3
اور Amazon SageMaker Python پیکجز انسٹال ہوئے:
حل واک تھرو
اپنی مرضی کے مطابق فیچرائزر کنٹینر بنائیں
پہلا کنٹینر، فیچرائزر کنٹینر بنانے کے لیے، ہم تربیت دیتے ہیں۔ scikit-learn
میں خام خصوصیات پر کارروائی کرنے کے لیے ماڈل ابالون ڈیٹاسیٹ پری پروسیسنگ اسکرپٹ استعمال کرتا ہے۔ سادہ امپیوٹر گمشدہ اقدار سے نمٹنے کے لیے، سٹینڈرڈ اسکیلر عددی کالموں کو معمول پر لانے کے لیے، اور OneHotEncoder زمرہ دار کالموں کو تبدیل کرنے کے لیے۔ ٹرانسفارمر کو فٹ کرنے کے بعد، ہم ماڈل کو محفوظ کرتے ہیں نوکری فارمیٹ اس کے بعد ہم اس محفوظ کردہ ماڈل کے نمونے کو کمپریس اور اپ لوڈ کرتے ہیں ایک Amazon Simple Storage Service (ایمیزون S3) بالٹی.
یہاں ایک نمونہ کوڈ کا ٹکڑا ہے جو اس کو ظاہر کرتا ہے۔ کا حوالہ دیتے ہیں featurizer.ipynb مکمل نفاذ کے لیے:
اس کے بعد، فیچرائزر ماڈل کے لیے حسب ضرورت انفرنس کنٹینر بنانے کے لیے، ہم فیچرائزر ماڈل کے لیے دیگر مطلوبہ انحصار کے ساتھ nginx، گنی کارن، فلاسک پیکجز کے ساتھ ایک Docker امیج بناتے ہیں۔
Nginx، gunicorn اور Flask ایپ ماڈل سرونگ اسٹیک کے طور پر کام کرے گی۔ ایمیزون سیج میکر ریئل ٹائم اینڈ پوائنٹس پر۔
Amazon SageMaker پر ہوسٹنگ کے لیے حسب ضرورت کنٹینرز لاتے وقت، ہمیں یہ یقینی بنانا ہوگا کہ کنٹینر کے اندر لانچ ہونے کے بعد انفرنس اسکرپٹ درج ذیل کام انجام دے:
- ماڈل لوڈنگ: انفرنس اسکرپٹ (
preprocessing.py
) کا حوالہ دینا چاہئے۔/opt/ml/model
کنٹینر میں ماڈل لوڈ کرنے کے لیے ڈائرکٹری۔ ایمیزون S3 میں نمونے کے نمونے ڈاؤن لوڈ کیے جائیں گے اور راستے میں موجود کنٹینر پر نصب کیے جائیں گے۔/opt/ml/model
. - ماحولیاتی تغیرات: کنٹینر میں اپنی مرضی کے مطابق ماحول کے متغیرات کو منتقل کرنے کے لیے، آپ کو ان کی وضاحت کرنا ضروری ہے۔ ماڈل تخلیق کا مرحلہ یا دوران اختتام پوائنٹ تربیتی کام سے تخلیق۔
- API کی ضروریات: Inference اسکرپٹ کو دونوں کو نافذ کرنا چاہیے۔
/ping
اور/invocations
روٹس بطور فلاسک ایپلی کیشن۔ دی/ping
API کا استعمال صحت کی جانچ کے لیے کیا جاتا ہے، جبکہ/invocations
API تخمینہ کی درخواستوں کو ہینڈل کرتا ہے۔ - لاگنگ: انفرنس اسکرپٹ میں آؤٹ پٹ لاگز کو معیاری آؤٹ پٹ (stdout) اور معیاری غلطی (سٹڈرر) سلسلے۔ ان لاگز کو اس کے بعد اسٹریم کیا جاتا ہے۔ ایمیزون کلاؤڈ واچ ایمیزون سیج میکر کے ذریعہ۔
یہاں سے ایک ٹکڑا ہے preprocessing.py
کے نفاذ کو ظاہر کرتا ہے۔ /ping
اور /invocations
.
کا حوالہ دیتے ہیں preprocessing.py مکمل نفاذ کے لیے فیچرائزر فولڈر کے نیچے۔
فیچرائزر اور ماڈل سرونگ اسٹیک کے ساتھ ڈوکر امیج بنائیں
آئیے اب اپنی مرضی کے مطابق بیس امیج کا استعمال کرتے ہوئے ایک Dockerfile بنائیں اور مطلوبہ انحصار انسٹال کریں۔
اس کے لیے ہم استعمال کرتے ہیں۔ python:3.9-slim-buster
بنیادی تصویر کے طور پر. آپ اسے اپنے استعمال کے معاملے سے متعلقہ کسی بھی دوسری بنیادی تصویر کو تبدیل کر سکتے ہیں۔
اس کے بعد ہم nginx کنفیگریشن، گنی کارن کی ویب سرور گیٹ وے فائل، اور انفرنس اسکرپٹ کو کنٹینر میں کاپی کرتے ہیں۔ ہم ایک پائیتھن اسکرپٹ بھی بناتے ہیں جسے سرو کہتے ہیں جو پس منظر میں nginx اور gunicorn کے عمل کو شروع کرتا ہے اور inference اسکرپٹ (یعنی preprocessing.py فلاسک ایپلیکیشن) کو کنٹینر کے اندراج کے نقطہ کے طور پر سیٹ کرتا ہے۔
فیچرائزر ماڈل کی میزبانی کے لیے ڈاکر فائل کا ایک ٹکڑا یہ ہے۔ مکمل نفاذ کے لیے رجوع کریں۔ ڈاکر فائل کے تحت فیچرائزر فولڈر.
مقامی طور پر فیچرائزر کے ساتھ کسٹم انفرنس امیج کی جانچ کریں۔
اب، ایمیزون کا استعمال کرتے ہوئے مقامی طور پر فیچرائزر کے ساتھ حسب ضرورت انفرنس کنٹینر بنائیں اور جانچیں۔ سیج میکر مقامی وضع. مقامی موڈ Amazon SageMaker پر کوئی جاب شروع کیے بغیر آپ کی پروسیسنگ، ٹریننگ، اور انفرنس اسکرپٹس کو جانچنے کے لیے بہترین ہے۔ اپنے مقامی ٹیسٹوں کے نتائج کی تصدیق کرنے کے بعد، آپ کم سے کم تبدیلیوں کے ساتھ Amazon SageMaker پر تعیناتی کے لیے ٹریننگ اور انفرنس اسکرپٹ کو آسانی سے ڈھال سکتے ہیں۔
فیچرائزر حسب ضرورت امیج کو مقامی طور پر جانچنے کے لیے، پہلے پہلے بیان کی گئی تصویر کا استعمال کرتے ہوئے تصویر بنائیں ڈاکر فائل. پھر، فیچرائزر ماڈل پر مشتمل ڈائریکٹری کو ماؤنٹ کرکے ایک کنٹینر لانچ کریںpreprocess.joblib
) کرنے کے لئے /opt/ml/model
کنٹینر کے اندر ڈائریکٹری۔ مزید برآں، کنٹینر سے میزبان تک پورٹ 8080 کا نقشہ بنائیں۔
ایک بار لانچ ہونے کے بعد، آپ کو تخمینہ کی درخواستیں بھیج سکتے ہیں۔ http://localhost:8080/invocations.
کنٹینر بنانے اور لانچ کرنے کے لیے، ٹرمینل کھولیں اور درج ذیل کمانڈز چلائیں۔
نوٹ کریں کہ آپ کو تبدیل کرنا چاہئے۔ <IMAGE_NAME>
جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے، آپ کے کنٹینر کے تصویری نام کے ساتھ۔
مندرجہ ذیل کمانڈ یہ بھی فرض کرتی ہے کہ تربیت یافتہ scikit-learn
ماڈل (preprocess.joblib
) نامی ڈائریکٹری کے تحت موجود ہے۔ models
.
کنٹینر کے چلنے اور چلنے کے بعد، ہم دونوں کی جانچ کر سکتے ہیں۔ /پنگ اور /دعوتیں curl کمانڈز کا استعمال کرتے ہوئے راستے۔
ٹرمینل سے درج ذیل کمانڈز چلائیں۔
جب خام (غیر تبدیل شدہ) ڈیٹا کو بھیجا جاتا ہے۔ http://localhost:8080/invocations، اختتامی نقطہ تبدیل شدہ ڈیٹا کے ساتھ جواب دیتا ہے۔
آپ کو مندرجہ ذیل سے ملتا جلتا جواب دیکھنا چاہئے:
اب ہم چلتے ہوئے کنٹینر کو ختم کر دیتے ہیں، اور پھر مقامی حسب ضرورت امیج کو ٹیگ کر کے ایک پرائیویٹ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر) ذخیرہ۔
ایمیزون ای سی آر میں لاگ ان کرنے کے لیے درج ذیل کمانڈز دیکھیں، جو مقامی امیج کو مکمل ایمیزون ای سی آر امیج پاتھ کے ساتھ ٹیگ کرتی ہے اور پھر امیج کو ایمیزون ای سی آر پر دھکیلتی ہے۔ اس بات کو یقینی بنائیں کہ آپ تبدیل کریں۔ region
اور account
آپ کے ماحول سے ملنے کے لیے متغیرات۔
کا حوالہ دیتے ہیں ایک ذخیرہ بنائیں اور ایک تصویر کو ایمیزون ای سی آر پر پش کریں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) مزید معلومات کے لیے حکم دیتا ہے۔
اختیاری قدم
اختیاری طور پر، آپ فیچرائزر ماڈل کو Amazon ECR میں کسٹم ڈوکر امیج کے ساتھ ریئل ٹائم اینڈ پوائنٹ پر تعینات کر کے لائیو ٹیسٹ کر سکتے ہیں۔ کا حوالہ دیتے ہیں featurizer.ipynb ایمیزون ای سی آر پر کسٹم امیج کو بلڈنگ، ٹیسٹنگ اور آگے بڑھانے کے مکمل نفاذ کے لیے نوٹ بک۔
ایمیزون سیج میکر انفرنس اینڈ پوائنٹ کو شروع کرتا ہے اور ماڈل کے نمونے کو کاپی کرتا ہے /opt/ml/model
کنٹینر کے اندر ڈائریکٹری۔ دیکھیں سیج میکر آپ کے ماڈل کے نمونے کیسے لوڈ کرتا ہے۔.
اپنی مرضی کے مطابق XGBoost پیش گو کنٹینر بنائیں
XGBoost انفرنس کنٹینر بنانے کے لیے ہم اسی طرح کے اقدامات پر عمل کرتے ہیں جیسا کہ ہم نے فیچرائزر کنٹینر کے لیے امیج بناتے وقت کیا تھا:
- پہلے سے تربیت یافتہ ڈاؤن لوڈ کریں۔
XGBoost
ایمیزون S3 سے ماڈل۔ - بنائیں
inference.py
اسکرپٹ جو پہلے سے تربیت یافتہ کو لوڈ کرتی ہے۔XGBoost
ماڈل، فیچرائزر سے موصول ہونے والے تبدیل شدہ ان پٹ ڈیٹا کو تبدیل کرتا ہے، اور میں تبدیل کرتا ہے۔XGBoost.DMatrix
فارمیٹ، چلتا ہے۔predict
بوسٹر پر، اور json فارمیٹ میں پیشین گوئیاں واپس کرتا ہے۔ - اسکرپٹ اور کنفیگریشن فائلیں جو ماڈل سرونگ اسٹیک بناتی ہیں (یعنی،
nginx.conf
,wsgi.py
، اورserve
وہی رہیں اور کسی ترمیم کی ضرورت نہیں۔ - ہم استعمال کرتے ہیں
Ubuntu:18.04
ڈاکر فائل کی بنیادی تصویر کے طور پر۔ یہ شرط نہیں ہے۔ ہم اوبنٹو بیس امیج کا استعمال یہ ظاہر کرنے کے لیے کرتے ہیں کہ کنٹینرز کسی بھی بیس امیج کے ساتھ بنائے جا سکتے ہیں۔ - کسٹمر ڈوکر امیج بنانے، امیج کو مقامی طور پر ٹیسٹ کرنے، اور ٹیسٹ شدہ امیج کو ایمیزون ای سی آر پر آگے بڑھانے کے اقدامات پہلے کی طرح ہی رہتے ہیں۔
اختصار کے لیے، جیسا کہ اقدامات پہلے دکھائے گئے ہیں؛ تاہم، ہم صرف ذیل میں تبدیل شدہ کوڈنگ دکھاتے ہیں۔
سب سے پہلے، inference.py
سکرپٹ. یہاں ایک ٹکڑا ہے جو عمل درآمد کو ظاہر کرتا ہے۔ /ping
اور /invocations
. کا حوالہ دیتے ہیں inference.py کے تحت پیش گو اس فائل کے مکمل نفاذ کے لیے فولڈر۔
پیشن گوئی کرنے والے ماڈل کی میزبانی کے لیے ڈاکر فائل کا ایک ٹکڑا یہ ہے۔ مکمل نفاذ کے لیے رجوع کریں۔ ڈاکر فائل پیشن گوئی فولڈر کے تحت۔
اس کے بعد ہم اس حسب ضرورت پیشن گوئی کی تصویر کو ایمیزون ای سی آر میں ایک نجی ذخیرہ میں بنانا، جانچنا اور آگے بڑھانا جاری رکھیں گے۔ کا حوالہ دیتے ہیں predictor.ipynb ایمیزون ای سی آر پر حسب ضرورت امیج کو بنانے، جانچنے اور آگے بڑھانے کے مکمل نفاذ کے لیے نوٹ بک۔
سیریل انفرنس پائپ لائن تعینات کریں۔
جب ہم نے فیچرائزر اور پیشین گوئی کرنے والی تصاویر دونوں کا تجربہ کیا ہے اور انہیں Amazon ECR پر بھیج دیا ہے، اب ہم اپنے ماڈل کے نمونے ایک Amazon S3 بالٹی میں اپ لوڈ کرتے ہیں۔
پھر، ہم دو ماڈل آبجیکٹ بناتے ہیں: ایک کے لیے featurizer
(یعنی ، preprocess.joblib
) اور دیگر کے لیے predictor
(یعنی ، xgboost-model
) اپنی مرضی کی تصویر uri کی وضاحت کرکے جو ہم نے پہلے بنایا تھا۔
یہاں ایک ٹکڑا ہے جو ظاہر کرتا ہے۔ کا حوالہ دیتے ہیں serial-inference-pipeline.ipynb مکمل نفاذ کے لیے۔
اب، ان کنٹینرز کو سیریل انداز میں تعینات کرنے کے لیے، ہم پہلے ایک بناتے ہیں۔ پائپ لائن ماڈل اعتراض کریں اور پاس کریں۔ featurizer
ماڈل اور predictor
اسی ترتیب میں ازگر کی فہرست آبجیکٹ کا ماڈل۔
پھر، ہم کال کرتے ہیں .deploy()
پر طریقہ پائپ لائن ماڈل مثال کی قسم اور مثال کی گنتی کی وضاحت کرنا۔
اس مرحلے پر، Amazon SageMaker سیریل انفرنس پائپ لائن کو ریئل ٹائم اینڈ پوائنٹ پر تعینات کرتا ہے۔ ہم اختتامی نقطہ ہونے کا انتظار کرتے ہیں۔ InService
.
اب ہم اس لائیو اینڈ پوائنٹ پر کچھ انفرنس کی درخواستیں بھیج کر اختتامی نقطہ کی جانچ کر سکتے ہیں۔
کا حوالہ دیتے ہیں serial-inference-pipeline.ipynb مکمل نفاذ کے لیے۔
صاف کرو
ٹیسٹنگ مکمل کرنے کے بعد، براہ کرم نوٹ بک کے کلین اپ سیکشن میں دی گئی ہدایات پر عمل کریں تاکہ غیر ضروری چارجز سے بچنے کے لیے اس پوسٹ میں فراہم کردہ وسائل کو حذف کریں۔ کا حوالہ دیتے ہیں ایمیزون سیج میکر قیمتوں کا تعین قیاس کی مثالوں کی قیمت کے بارے میں تفصیلات کے لیے۔
نتیجہ
اس پوسٹ میں، میں نے دکھایا کہ ہم کس طرح ایمیزون سیج میکر پر ریئل ٹائم اینڈ پوائنٹس پر کسٹم انفرنس کنٹینرز کا استعمال کرتے ہوئے ایک سیریل ML انفرنس ایپلیکیشن بنا اور تعینات کر سکتے ہیں۔
یہ حل یہ ظاہر کرتا ہے کہ کس طرح گاہک اپنے حسب ضرورت کنٹینرز کو Amazon SageMaker پر ہوسٹنگ کے لیے لا سکتے ہیں۔ BYOC آپشن کے ساتھ، گاہک اپنی ML ایپلیکیشنز کو تیزی سے بنا سکتے ہیں اور انہیں Amazon SageMaker پر تعینات کر سکتے ہیں۔
ہم آپ کی حوصلہ افزائی کرتے ہیں کہ آپ اپنے کاروبار کے کلیدی کارکردگی کے اشارے (KPIs) سے متعلقہ ڈیٹا سیٹ کے ساتھ اس حل کو آزمائیں۔ آپ اس میں پورے حل کا حوالہ دے سکتے ہیں۔ GitHub ذخیرہ.
حوالہ جات
مصنف کے بارے میں
پروین چمرتھی ایمیزون ویب سروسز کے ساتھ ایک سینئر AI/ML ماہر ہے۔ وہ AI/ML اور تمام چیزوں AWS کے بارے میں پرجوش ہے۔ وہ پورے امریکہ کے صارفین کو AWS پر ML ورک بوجھ کو پیمانہ کرنے، اختراع کرنے اور چلانے میں مدد کرتا ہے۔ اپنے فارغ وقت میں، پروین کو پڑھنا پسند ہے اور سائنس فائی فلموں سے لطف اندوز ہوتے ہیں۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/build-and-deploy-ml-inference-applications-from-scratch-using-amazon-sagemaker/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 08
- 09
- 1
- 10
- 100
- 11
- 13
- 14
- 150
- 16
- 17
- 20
- 200
- 2023
- 25
- 28
- 30
- 500
- 7
- 8
- 87
- 9
- a
- ہمارے بارے میں
- قبول کریں
- قبول کرتا ہے
- تک رسائی حاصل
- اس کے مطابق
- اکاؤنٹ
- کے پار
- اپنانے
- اس کے علاوہ
- منہ بولابیٹا بنانے
- کو متاثر
- کے بعد
- AI / ML
- یلگوردمز
- تمام
- ساتھ
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- امریکہ
- an
- اور
- کوئی بھی
- اے پی آئی
- اپلی کیشن
- درخواست
- ایپلی کیشنز
- لاگو ہوتا ہے
- اپریل
- کیا
- لڑی
- AS
- فرض کرتا ہے
- At
- دستیاب
- سے اجتناب
- AWS
- پس منظر
- بیس
- کی بنیاد پر
- BE
- بننے
- اس سے پہلے
- کیا جا رہا ہے
- نیچے
- جسم
- بوسٹر
- دونوں
- لانے
- آ رہا ہے
- تعمیر
- عمارت
- تعمیر
- تعمیر میں
- بنڈل
- کاروبار
- لیکن
- by
- فون
- کہا جاتا ہے
- کر سکتے ہیں
- کیس
- مقدمات
- CAT
- کچھ
- تبدیل
- تبدیل کر دیا گیا
- تبدیلیاں
- بوجھ
- چیک کریں
- چیک
- واضح طور پر
- بادل
- کوڈ
- کوڈنگ
- کالم
- کالم
- COM
- کامن
- پیچیدہ
- کمپیوٹر
- ترتیب
- منسلک
- کنکشن
- خیالات
- مسلسل
- تعمیر
- کھپت
- کنٹینر
- کنٹینر
- مواد
- مندرجات
- جاری
- کنٹرول
- تبدیل
- قیمت
- سکتا ہے
- تخلیق
- تخلیق
- مخلوق
- اسناد
- اپنی مرضی کے
- گاہک
- گاہکوں
- اعداد و شمار
- تاریخ
- وضاحت
- کی وضاحت
- مظاہرہ
- ثبوت
- انحصار
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تعینات کرتا ہے
- ڈیسک ٹاپ
- تفصیلات
- کا تعین
- ترقی یافتہ
- ترقی
- DICT
- DID
- مختلف
- میں Docker
- ڈومینز
- کیا
- نہیں
- دو
- کے دوران
- e
- اس سے قبل
- آسانی سے
- مؤثر طریقے سے
- اور
- کی حوصلہ افزائی
- آخر سے آخر تک
- اختتام پوائنٹ
- کو یقینی بنانے کے
- پوری
- اندراج
- ماحولیات
- ماحول
- خرابی
- وغیرہ
- مثال کے طور پر
- اس کے علاوہ
- رعایت
- پھانسی
- واقف
- فیشن
- پسندیدہ
- خصوصیات
- چند
- فائل
- فائلوں
- پہلا
- فٹ
- فٹنگ
- لچک
- پر عمل کریں
- کے بعد
- کے لئے
- فارم
- فارمیٹ
- ملا
- فریم ورک
- فریم ورک
- سے
- مکمل
- تقریب
- فنکشنل
- فوائد
- گیٹ وے
- حاصل
- GitHub کے
- جی ایم ٹی
- جاتا ہے
- ہینڈل
- ہینڈل
- ہینڈلنگ
- ہے
- he
- صحت
- اونچائی
- مدد
- مدد کرتا ہے
- ان
- میزبان
- ہوسٹنگ
- میزبان
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- i
- if
- تصویر
- تصاویر
- پر عملدرآمد
- نفاذ
- درآمد
- in
- شامل ہیں
- سمیت
- دن بدن
- انڈیکیٹر
- انفرادی
- صنعتوں
- معلومات
- inhouse
- اختراعات
- ان پٹ
- کے اندر
- انسٹال
- نصب
- مثال کے طور پر
- ہدایات
- ضم
- انٹرفیس
- میں
- ملوث
- تنہائی
- IT
- ایوب
- نوکریاں
- فوٹو
- JSON
- رکھیں
- کلیدی
- لیبل
- تازہ ترین
- شروع
- شروع
- آغاز
- شروع
- سیکھنے
- چھوڑ دیا
- لمبائی
- لائبریریوں
- لائن
- لسٹ
- فہرست
- رہتے ہیں
- لوڈ
- لوڈ کر رہا ہے
- بوجھ
- مقامی
- مقامی طور پر
- منطق
- لاگ ان
- سے محبت کرتا ہے
- مشین
- مشین لرننگ
- مین سٹریم میں
- بناتا ہے
- بنانا
- انتظام
- انداز
- نقشہ
- نشان
- میچ
- مئی..
- طریقہ
- شاید
- کم سے کم
- لاپتہ
- ML
- موڈ
- ماڈل
- ماڈل
- نظر ثانی کرنے
- زیادہ
- فلم
- بہت
- ایک سے زیادہ
- ضروری
- نام
- نام
- ضرورت ہے
- ضروریات
- نہیں
- کوئی بھی نہیں
- نوٹ بک
- اب
- تعداد
- عجیب
- اعتراض
- اشیاء
- of
- پیشکشیں
- تجویز
- اکثر
- on
- ایک بار
- ایک
- والوں
- صرف
- پر
- کھول
- کام
- آپریشنل
- اختیار
- or
- حکم
- OS
- دیگر
- ہمارے
- پیداوار
- خود
- پیکجوں کے
- pandas
- پیرامیٹرز
- خاص طور پر
- منظور
- جذباتی
- راستہ
- کامل
- انجام دیں
- کارکردگی
- کارکردگی کا مظاہرہ
- پائپ لائن
- منصوبہ
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- مہربانی کرکے
- پوائنٹ
- پوسٹ
- کی پیشن گوئی
- پیشن گوئی
- پیش گو
- حال (-)
- پہلے
- نجی
- مسائل
- عمل
- عمل
- پروسیسنگ
- پروسیسر
- فروغ دیتا ہے
- ملکیت
- مقصد
- پش
- دھکیل دیا
- دھکیلنا
- ازگر
- جلدی سے
- بلند
- رینج
- خام
- پڑھیں
- تیار
- اصل وقت
- موصول
- کا حوالہ دیتے ہیں
- رجسٹری
- متعلقہ
- رہے
- کی جگہ
- ذخیرہ
- درخواست
- درخواستوں
- کی ضرورت
- ضرورت
- ضروریات
- کی ضرورت ہے
- وسائل
- وسائل
- جواب
- نتیجہ
- نتائج کی نمائش
- واپسی
- واپس لوٹنے
- واپسی
- رنگ
- روٹ
- راستے
- ROW
- رن
- چل رہا ہے
- چلتا ہے
- sagemaker
- اسی
- محفوظ کریں
- محفوظ
- پیمانے
- سائنس FI
- فیرنا
- اسکرپٹ
- سکرپٹ
- دوسری
- سیکشن
- دیکھنا
- بھیجنے
- بھیجنا
- سینئر
- بھیجا
- علیحدہ
- سیریل
- سیریز
- خدمت
- سرور
- سروس
- سروسز
- خدمت
- اجلاس
- مقرر
- سیٹ
- کئی
- جنس
- ہونا چاہئے
- دکھائیں
- سے ظاہر ہوا
- دکھایا گیا
- شوز
- اسی طرح
- سادہ
- ٹکڑا
- So
- حل
- حل
- کچھ
- کچھ
- چنگاری
- ماہر
- مخصوص
- ڈھیر لگانا
- اسٹیج
- معیار
- موقف
- درجہ
- مرحلہ
- مراحل
- ذخیرہ
- سلسلہ
- اسٹریمز
- سلک
- منظم
- کامیابی کے ساتھ
- اس طرح
- اتوار
- تائید
- امدادی
- کی حمایت کرتا ہے
- TAG
- موزوں
- لیتا ہے
- کاموں
- ٹرمنل
- ٹیسٹ
- تجربہ
- ٹیسٹنگ
- ٹیسٹ
- کہ
- ۔
- ان
- ان
- تو
- وہاں.
- لہذا
- یہ
- چیزیں
- اس
- وقت
- کرنے کے لئے
- اوزار
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- تبدیل
- ٹرانسفارمر
- ٹرانسفارمرز
- تبدیل
- کوشش
- کی کوشش کر رہے
- دو
- قسم
- اوبنٹو
- کے تحت
- بنیادی
- غیر ضروری
- اپ گریڈ
- استعمال کے قابل
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- صارفین
- استعمال
- کا استعمال کرتے ہوئے
- اقدار
- مختلف
- مختلف
- تصدیق کرنا
- ورژن
- انتظار
- چاہتے ہیں
- تھا
- we
- ویب
- ویب سرور
- ویب خدمات
- اچھا ہے
- جس
- جبکہ
- کیوں
- وسیع
- گے
- ساتھ
- کے اندر
- بغیر
- کام کا بہاؤ
- کام کر
- لکھا
- X
- XGBoost
- تم
- اور
- زیفیرنیٹ